基于無人機多光譜與紋理特征的飼用大豆地上生物量估算研究

收稿日期：2024-01-27；修回日期：2024-03-24

基金項目：國家重點研發計劃（2022YFD1300803）；國家牧草產業技術體系（CARS-34-13）資助

作者簡介：李貴鑫（1998-），男，漢族，四川綿陽人，碩士研究生，主要從事飼草生產學研究，E-mail：ligx21@lzu.edu.cn；*通信作者Author for correspondence，E-mail：yy.shen@lzu.edu.cn

摘要：本研究利用無人機獲取了飼用大豆［Glycine max （L.） Merr.］主要生育時期的多光譜遙感影像，并基于多光譜影像提取的40個紋理特征和光譜反射率構建的12個植被指數，通過多元線性回歸（Multiple linear regression，MLR）、人工神經網絡（Artificial neural networks，ANN）、隨機森林（Random forest，RF）、支持向量機（Support vector regression，SVR）等算法，對飼用大豆營養體生長過程的地上生物量進行了估測。結果表明：450 nm，560 nm，650 nm和730 nm這4個波段的光譜反射率隨飼用大豆生育進程而變化，具體表現為分枝前期下降、分枝后期上升至峰值、開花期下降的變化趨勢。840 nm波段的光譜反射率表現為分枝期上升并在后期達到峰值、開花期下降的變化趨勢。方差（Variance）、對比度（Contrast）、相異性（Dissimilarity）和信息熵（Entropy）等紋理特征在各波段下數值變化基本趨于一致，表現出紅邊波段最大，紅光波段最小。綜合來看，基于植被指數與紋理特征作為輸入參數的ANN模型對于飼用大豆各生育時期地上部生物量的估測效果最好（R²= 0.71，RMSE = 1.81 t·hm^-2）。研究結果可為飼用大豆地上生物量快速精準估測以及高效栽培管理提供技術支撐。

關鍵詞：無人機多光譜影像；飼用大豆；地上生物量；機器學習；紋理特征

中圖分類號：S565.1 文獻標識碼：A 文章編號：1007-0435（2024）10-3262-10

Estimation of Above-Ground Biomass of Forage Soybean Based on UAV Multispectral and Texture Features

LI Gui-xin^1，2， AN Dong^1，2， YU Ying-wen^1，2， SHEN Yu-ying^{1，2，3*}

（1.State Key Laboratory of Herbage Improvement and Grassland Agro-Ecosystems，Lanzhou University， Lanzhou， Gansu Province 730020， China; 2. College of Pastoral Agriculture Science and Technology， Lanzhou University， Lanzhou， Gansu Province 730020， China; 3.National Field Scientific Observation and Research Station of Grassland Agro-Ecosystems， Qingyang， Gansu Province 745000， China）

Abstract：In this study，drones were employed to gather multispectral remote sensing images of the main nutritional growth stages of forage soybeans. Utilizing 40 texture features extracted from the multispectral images and 12 vegetation indices constructed from spectral reflectance，the above-ground biomass of forage soybeans at different growth stages was estimated using algorithms and models such as Multiple Linear Regression （MLR），Artificial Neural Networks （ANN），Random Gorest （RF），and Support Vector Regression （SVR）. The findings indicated that the spectral reflectance of the four bands，450 nm，560 nm，650 nm，and 730 nm，changed with the development process of the forage soybeans，displaying a pattern of decrease in the early branching stage，increase to a peak in the late branching stage，and decrease during the flowering stage. The spectral reflectance at the 840 nm band exhibited an increasing trend during the branching stage，reaching a peak in the late branching stage，followed by a decrease during the flowering stage. The dynamic changes in the texture features of Variance，Contrast，Dissimilarity，and Entropy were generally consistent under all the sequences，displaying the biggest value in red-edge band and the smallest value in red band. Overall，the ANN model，using vegetation indices and texture features as input parameters，achieved the best results in estimating the above-ground biomass of forage soybeans across different growth stages （R²= 0.71;RMSE = 1.81 t·hm^-2）. This research provided technical support for the rapid and accurate estimation of the above-ground biomass of forage soybeans and for efficient cultivation management.

Key words：UAV multispectral images;Forage soybean;Above-ground biomass;Machine learning;Texture features

無人機低空遙感技術因其具有快速、無損和連續監測優點^［1-2］，近年來已廣泛應用于作物生長監測^［3-5］、產量估算^［6］、病蟲害識別^［7］和施肥決策^［8］等作物栽培領域。很多研究從植被光譜特性出發，通過分析植被指數及其派生的光譜指標來實現作物地上生物量（Above-ground biomass，AGB）和產量的估算。例如，陶慧林等利用基于多種植被指數構建的多元線性回歸模型對冬小麥地上生物量進行了估測，發現植被指數結合紅邊參數優于單個植被指數^［9］。Zhu等人基于不同類型無人機在多空間尺度下對玉米地上生物量進行了估測，得出用株高作為參數有助于提升估測精度^［10］。對于大豆地上生物量估算，前人研究利用不同植被指數和株高作為參數，構建籽粒大豆回歸模型均有較高精度和可靠性^［11］。以上研究有效推動了無人機遙感技術在農作物地上生物量反演中的應用。但在作物冠層密集時植被指數出現飽和，并對冠層光譜反射變化不敏感^［12］，導致生物量估算精度下降。近期研究表明，結合光譜信息和紋理特征進行估算能有效克服植被指數飽和問題，從而提高估算精度^［13］。Sarker等人的研究也證實，植被指數與紋理特征相結合可以在森林植被生物量估算中表現出優越性^［14］，兩者結合后的估算能力明顯優于單一的植被指數^［15］。

隨著無人機遙感技術與研究手段的不斷發展，機器學習算法普遍應用于地上生物量估算研究。與傳統的統計回歸方法相比，人工神經網絡（Artificial neural network，ANN）、隨機森林回歸（Random forest regression，RF）和支持向量機回歸（Support vector regression，SVR）等機器學習算法能從大量復雜數據中提取有效信息，并通過不斷學習構建出最優模型。當前基于無人機遙感技術監測作物地上生物量的研究主要集中在小麥、玉米和籽粒大豆等糧油作物上^{［4，16-18］}。早在19世紀起大豆就被美國引種作為優質飼草栽培利用^［19-20］，飼用大豆是以在開花期收獲地上部營養體用作飼草用途，針對籽粒大豆開發的生物量估測模型不能直接應用于飼用大豆生物量估測。鑒于此，本研究以飼用大豆為研究對象，基于多光譜無人機探究飼用大豆主要生育期的光譜特征與紋理特征變化規律，同時比較人工神經網絡、支持向量機和隨機森林等機器學習方法預測飼用大豆地上生物量的有效性及精度差異，以期對其建立一種快速、有效的估測模型，為飼用大豆地上生物量精準預測和高效生產管理提供技術支持。

1 材料與方法

1.1 研究區域概況

試驗區位于甘肅省慶陽市西峰區什社鄉，蘭州大學甘肅慶陽草地農業野外研究站（35°39′N，107°51′E，海拔1297 m）。該區屬于典型的大陸性季風氣候，2016—2022年平均氣溫10.6℃，年均降水617 mm，降水季節分布不均勻，60%以上集中在7—9月。土壤類型為黑壚土，主要種植冬小麥、玉米、高粱、苜蓿等作物。

1.2 試驗設計

試驗采用隨機區組設計，所用飼用大豆材料為LS，LS。試驗設置3個氮肥水平，分別為0 kg·hm^-2（N）、40 kg·hm^-2（N）、80 kg·hm^-2（N），重復3次，共18個小區，小區面積為20 m²（4 m×5 m）。于2022年5月中旬播種，采用等距穴播，種植密度為13 萬株·hm^-2，行距40 cm，株距19 cm，播深5 cm，播種前基施過磷酸鈣（12%）225 kg·hm^-2，作物生長期間無追肥和灌溉處理。

1.3 數據采集和處理

1.3.1 飼用大豆地上生物量數據的獲取 于2022年7月24（五分枝期）、8月3日（八分枝期）、8月14日（九分枝期）、8月23日（十分枝期）、9月4日（始花期）和9月13日（盛花期）在每個小區選取長勢均勻的植株，齊地面刈割0.1 m²，105℃下殺青30 min，在75℃下烘干至恒重，使用電子天平稱重，計算單位面積地上生物量。

1.3.2 無人機多光譜數據獲取 采用大疆公司生產的DJI P4 Multispectral多光譜無人機，包括1個用于可見光成像的彩色傳感器和5個單色傳感器，單個傳感器有效像素208萬，各單通道波長及波段寬度見表1。與地上生物量采集同步獲取大豆冠層多光譜信息，采集時間選擇天氣晴朗無風無云的上午10：00-12：00，布設5個控制點分別于外圍4個角及區域中心，使用DJI GS Pro軟件進行航線規劃，航向重疊度80%，旁向重疊度為75%，拍攝高度約為30 m，無人機航速為2.1 m·s^-1，拍照間隔為2.0 s，影像地面分辨率為1.6 cm·pixel^-1，飛行前地面鋪設標準反射率為25%和50%的2塊輻射定標板用于輻射校正。

1.3.3 多光譜遙感影像處理與冠層光譜反射率提取 本文利用DJI Terra（DJI，China）對采集的影像進行影像拼接得到RGB影像和5個單波段的正射影像，采用經驗線性模型進行輻射定標，將影像的灰度值（Digital number，DN）轉換為地表反射率值。使用ArcGIS 10.6（ERIS，USA）軟件對處理后的影像劃分小區，繪出小區矢量，利用波段計算器與區域分析工具計算感興趣區的平均光譜反射率。運用ENVI 5.6（Exelis Visual Information Solutions，USA）軟件對正射影像進行處理，采用K-mean分類器識別飼用大豆冠層，獲得剔除土壤背景和陰影重疊后的光譜信息，整體分類精度（Overall accuracy，OA）為90.20%～96.15%，Kappa系數為0.85～0.94。

1.3.4 植被指數（VI）的選取 本研究中，根據不同波段光譜的反射率進行組合，根據其特點，選取并計算了12個植被指數包括歸一化植被指數（Normalized difference vegetation index，NDVI）、綠波段歸一化植被指數（Green normalized difference vegetation index，GNDVI）、比值植被指數（Ratio vegetation index，RVI）、增強植被指數（The enhanced vegetation index，EVI）、差值植被指數（Difference vegetation index，DVI）、重歸一化植被指數（Renormalized difference vegetation index，RDVI）、土壤調整植被指數（Soil-adjusted vegetation index，SAVI）、優化土壤調整植被指數（Optimized soil-adjusted vegetation index，OSAVI）、歸一化差異紅邊指數（Red edge normalized index，NDRE）、紅邊指數（Chlorophyll index red-edge，CIrededge）、綠邊指數（Chlorophyll index green，CIgreen）、葉面葉綠素指數（The leaf chlorophyll index，LCI），用于構建飼用大豆地上生物量估算模型，計算式如表2。

1.3.5 多光譜紋理特征（TX）提取 在ENVI 5.6中，利用灰度共生矩陣方法對5個波段進行 0°，45°，90°和135°的4個方向的8個紋理特征的提?。ū?）^［25］，分別為均值（MEA）、方差（VAR）、協同性（HOM）、對比度（CON）、相異性（DIS）、信息熵（ENT）、二階矩（SEM）和相關性（COR）。然后在ArcGIS 10.6（ERIS，USA）中，對于各波段的紋理特征影像分別劃定區域，提取所劃區域的紋理值，求取每種特征4個方向上的平均值作為最終的紋理特征值。

1.3.6 特征優選 隨機森林算法能夠計算每個預測變量對因變量的重要性并進行排序，為探究圖像特征對建立飼用大豆地上生物量反演模型的影響，量化12種植被指數和40種紋理特征對結果的貢獻率，本研究利用隨機森林基礎模型對植被指數、植被指數+紋理特征反演的變量重要性進行排序，篩選特征重要性系數總和達95%的最優特征組合，如圖1和圖2所示，圖中橫坐標為依照重要級由大到小排列的特征名稱，縱坐標為特征重要性。圖1共包含12個特征，其中反演飼用大豆地上生物量最重要的特征是GNDVI，在OSAVI特征處重要性系數總和達95%；圖2中共包含52個特征，對反演地上生物量最重要的變量是B_DIS，在B_SEM特征處重要性系數總和達95%。

1.3.7 建模方法 采用多元線性回歸和3種不同的機器學習方法，算法模型的構建利用Python 3.6中的模塊sklearn進行，分別為人工神經網絡（ANN）、隨機森林回歸（RF）和支持向量機回歸（SVR）。通過使用隨機網格搜索設置迭代次數500次，5折驗證尋找最優參數，設置隨機森林算法的參數值范圍：‘n_estimators’為np.arange（100，1001，100），‘max_features’為np.arange（1，11，1），‘max_depth’為np.arange（10，101，10），‘min_samples_split’為［2，5，10］，‘min_samples_leaf’為np.arange（1，1+10，1）。設置支持向量機算法的參數值范圍為‘C’為np.linspace（0.1，10，1000），‘epsilon’為np.linspace（0.01，10，100），‘gamma’為np.logspace（-3，2，1000），‘kernel’為［‘linear’，‘rbf’］。設置人工神經網絡算法參數為‘hidden_layer_sizes’為［（50，），（100，），（50，50），（100，50），（50，50，50），（100，100，100）］，‘activation’為［‘tanh’，‘relu’，‘logistic’，‘identity’］，‘solver’為［‘sgd’，‘adam’，‘lbfgs’］，‘alpha’為np.logspace（-2，2，8）。

1.3.8 評價指標 共獲取不同生育期108個數據樣本，按4∶1的比例劃分建模集和驗證集。利用5折交叉驗證對建成模型進行驗證，選用決定系數（Coefficient of determination，R²）和均方根誤差（Root mean square error，RMSE）作為比較估算模型精度的評價指標。估算模型的R²越大，RMSE越小，表明模型的估算能力越好，驗證模型的R²越大，RMSE越小，表明估算模型穩定性越好。采用SPSS 27.0（IBM，USA）軟件進行相關性分析，模型構建使用python 3.6，Origin 2023（OriginLab，USA）軟件作圖。

式中，n為樣本數量，x為實測值，x-為實測平均值，y為預測值，y-為預測平均值。

2 結果與分析

2.1 飼用大豆地上生物量動態

表4為飼用大豆地上生物量的分布和變異情況，可以看出7月24日時地上生物量均值2.32 t·hm^-2，變異系數（Coefficient of variation，CV）最大，為35.34%，變異范圍為0.91～3.83 t·hm^-2，9月13日時地上生物量最高，產量均值達10.40 t·hm^-2，變異系數（CV）最小，為21.15%，變異范圍為7.32～15.99 t·hm^-2?？梢?，在三個施氮水平下，所選材料的地上生物量對此有響應，適合進行地上生物量建模分析。

2.2 光譜反射率分析

450 nm，650 nm和730 nm等 3個波段下，隨生育進程，各處理下光譜反射率無顯著變化（圖3a-c），560 nm波段下反射率值在分枝前期三個施氮處理間有顯著差異，不施氮下最大，其他生育期均無顯著差異（圖3d），4個波段表現為分枝前期（7月24日—8月14日）下降、分枝后期（8月14日—8月23日）上升達到峰值、開花期（9月4日—9月13日）下降的趨勢；840 nm波段反射率表現為分枝前期增加，開花期下降的趨勢（圖3e）。分枝后期（8月23日）的紅邊和近紅外波段光譜反射率大于其他時期。

2.3 飼用大豆生長階段紋理特征

對飼用大豆多光譜紋理特征進行分析，材料LS和LS的紋理特征值的動態基本趨于一致，在MEA特征中多數時間表現出NIR>RE>GREEN>BLUE>RED，9月4日表現為RE>NIR>GREEN>BLUE>RED；VAR，CON，DIS和ENT特征值多數時間表現出RE>NIR>GREEN>BLUE>RED，7月24日表現為RE>NIR>GREEN>RED>BLUE；HOM特征值多數時間表現出RED>BLUE>GREEN>NIR>RE，7月24日表現為RED>GREEN>NIR>RE>BLUE；SEM特征多數時間表現出RED>BLUE>GREEN>NIR>RE，在7月24日中表現出BLUE>RED>GREEN>NIR>RE；COR特征表現出NIR>RE>GREEN>BLUE>RED（圖4）。

2.4 植被指數與地上生物量的相關性

將選取的12種植被指數與飼用大豆地上生物量做相關性分析。由表5可知，植被指數與飼用大豆地上生物量有較好的相關性，其中GNDVI，CI，NDVI，RVI，LCI，NDRE，OSAVI，CI，RDVI與地上生物量的相關均達到極顯著水平（P<0.01），GNDVI與地上生物量的相關系數最大，為0.55（P<0.01），EVI，SAVI與地上生物量有顯著相關（P<0.05），相關系數分別為0.21，0.24。

2.5 紋理特征與地上生物量的相關性

紋理特征與飼用大豆地上生物量的相關性大部分為顯著性相關（表6），NIR_HOM和NIR_COR的相關系數絕對值最大為0.59，G_MEA，G_HOM，G_ENT，G_COR，R_MEA，R_HOM，R_ENT，R_COR，RE_MEA，RE_HOM，RE_ENT和RE_COR的相關系數絕對值均大于0.50（P<0.01）。5個波段上的MEA，HOM，ENT和COR特征與飼用大豆地上生物量的相關性均達到極顯著水平（P<0.01），B_CON，B_DIS，G_CON，R_DIS，RE_CON和NIR_DIS未表現出顯著相關。

2.6 地上生物量模型估算與評價

將特征篩選后的植被指數，植被指數結合紋理特征分別輸入4種機器學習模型，對飼用大豆地上生物量進行估測。結果表明，以植被指數作為模型輸入量時，最優估測模型為ANN（R²=0.60，RMSE=2.10 t·hm^-2），植被指數結合紋理特征作為模型輸入量時，建模集中MLR模型R²提升了18.18%，RMSE降低了12.32%;ANN模型R²提升了9.72%，RMSE降低了14.20%;RF模型R²提升了24.68%，RMSE降低了54.38%;SVR模型R²提升了25.42%，RMSE降低了20.19%。驗證集中MLR模型R²提升了34.88%，RMSE降低了14.96%;ANN模型R²提升了18.33%，RMSE降低了13.81%;RF模型的改善效果最好R²提升了23.64%，RMSE降低了14.03%;SVR模型R²提升了28.85%，RMSE降低了15.72%;建模集和驗證集的R²均有所提高，而RMSE均有所下降，模型精度和穩定性均得到改善，但RF模型的建模集與驗證集決定系數（R²）分別為0.96和0.68，發生過擬合，ANN模型建模集與驗證集決定系數（R²）分別為0.79和0.71，R²在驗證集中最高且與建模集R²差距小，由此確定ANN為最優模型（R²=0.71，RMSE=1.81 t·hn^-2）（表7）。

3 討論

在本研究中，450 nm，560 nm，650 nm的可見光波段反射率隨生育期推移呈現出先降低后增加再降低的變化趨勢。在生長的初期，由于葉片較少且葉綠素濃度低，其對光波段的吸收能力較弱，導致反射率較高。隨著植株營養體長大，葉片數量和葉綠素濃度逐漸增加，使得對光波段的吸收能力增強，反射率因此降低。8月23日冠層葉片達到最大數量，反射率隨之升高。隨后飼用大豆進入開花期，此時植物需要更多的能量，光合作用增強，對光波段的吸收能力加強^［26］，從而導致反射率的降低。位于可見光紅色區域與近紅外區域交界處的730 nm波段光亦能被植物少量吸收利用，其反射率變化趨勢與可見光波段相同。840 nm波段表現出先增加后降低的變化趨勢，這與李均容的研究結果一致^［27］，這可能是大豆開花期生長迅速耗水量增加，夏日蒸散強^［28］，葉片水分含量低造成反射率下降。在低氮條件下，大豆前期的葉綠素含量相對較低，因此綠光反射率高，表現出差異性。

本研究飼用大豆AGB實測值與所選植被指數和紋理特征的相關系數多數為極顯著相關關系，其中植被指數和紋理特征相關系數最高的為GNDVI，NIR_HOM和NIR_COR，系數分別為0.55，0.59和0.59，由此判斷NIR波段在飼用大豆長勢監測中具有獨特的作用，這一結果與前人研究一致^［29］。紋理特征（TX）的加入為模型提供了更多關于地面植被的空間分布和結構信息，改善了植被指數飽和帶來的影響^［15］，顯著提升了模型估算的性能和魯棒性。劉楊等發現估算AGB時光譜信息+紋理特征效果最好^［30］，杭艷紅等利用GNDVI和差值紋理特征等提升了估算水稻LAI的精度^［31］，朱永基等利用植被指數耦合紋理特征提高了對冬小麥生物量的估算^［32］，通過引入紋理特征實現了對冬小麥和水稻產量的早期估算^{［15，33］}。與上述研究結果相似，本研究使用植被指數和紋理特征作為輸入量，在多元線性回歸、隨機森林模型、支持向量機模型和人工神經網絡模型的模型精度均高于植被指數作為輸入量時。

本研究中RF模型展現出優秀的建模性能，但其驗證集顯示出過擬合，這與龔榮新等^［29］和向友珍等^［34］在反演籽粒大豆地上生物量過程中發現，RF模型比其他模型效果更好的結果不同，這可能是由于所用大豆的收獲目標不同，也可能是因為訓練數據量較少導致泛化能力低。相比之下，人工神經網絡（ANN）模型在估測飼草地上生物量的精度上優于其他模型，可能是因為其在處理非線性問題和識別復雜數據模式等方面具有顯著優勢，這與樊意廣的結果一致^［35］。

飼用大豆作為生物量較高的一年生優質豆科飼草，規?；N植生產中實現地上生物量的精準估測對于其豐產栽培管理至關重要。本研究通過植被指數和紋理特征作為輸入量成功實現了對飼用大豆地上生物量的精確估測，與傳統的植被指數模型相比，這種方法顯著提高了估算精度^［36］。本研究基于一年的大田試驗數據的結果，未來的研究中，根據品種和生育時期增加實地取樣頻率，進一步探索不同特征組合和機器學習算法的參數設置，并增加模型樣本數量，以增強模型的預測精度。

4 結論

本研究基于無人機多光譜影像研究了旱作條件下兩個飼用大豆材料生長期不同波段下反射率動態，450 nm，560 nm，650 nm，730 nm和 840 nm這5個波段的光譜反射率在開花期達到最大，在生育進程中受葉綠素含量和植株含水量變化影響。采用多元線性（MLR）和隨機森林（RF）、人工神經網絡（ANN）、支持向量機（SVR）等機器學習方法對地上生物量估算和評價表明，結合植被指數和紋理特征構建的模型測能力和穩定性明顯高于僅用植被指數構建的模型。其中ANN模型是估算飼用大豆地上生物量的最優模型，決定系數R²達0.71，RMSE為1.81 t·hm^-2，可以實現研究區飼用大豆地上生物量的快速、無損測定。

參考文獻

［1］高娟婷，孫飛達，霍霏，等. 無人機遙感技術在草地動植物調查監測中的應用與評價［J］. 草地學報，2021，29（1）：1-9

［2］潘影，張燕杰，武俊喜，等. 基于遙感和無人機數據的草地NDVI影響因子多尺度分析［J］. 草地學報，2019，27（6）：1766-1773

［3］JAY S，MAUPAS F，BENDOULA R，et al. Retrieving LAI，chlorophyll and nitrogen contents in sugar beet crops from multi-angular optical remote sensing：Comparison of vegetation indices and PROSAIL inversion for field phenotyping［J］. Field Crops Research，2017，210：33-46

［4］MAO Z，DENG L，DUAN F，et al. Angle effects of vegetation indices and the influence on prediction of SPAD values in soybean and maize［J］. International Journal of Applied Earth Observation and Geoinformation，2020，93：102198

［5］馬建，劉文昊，靳瑰麗，等. 基于CNN和SVM的無人機多光譜遙感草地植物識別［J］. 草地學報，2022，30（11）：3165-3174

［6］申洋洋，陳志超，胡昊，等. 基于無人機多時相遙感影像的冬小麥產量估算［J］. 麥類作物學報，2021，41（10）：1298-1306

［7］ZHU W，FENG Z，DAI S，et al. Using UAV multispectral remote sensing with appropriate spatial resolution and machine learning to monitor wheat scab［J］. Agriculture，2022，12（11）：1785

［8］JI J，LIU J，CHEN J，et al. Optimization of topdressing for winter wheat by accurate growth monitoring and improved production estimation［J］. Remote Sensing，2021，13（12）：2349

［9］陶惠林，馮海寬，徐良驥，等. 基于無人機高光譜遙感數據的冬小麥生物量估算［J］. 江蘇農業學報，2020，36（5）：1154-1162

［10］ZHU W X，SUN Z G，PENG J B，et al. Estimating maize above-ground biomass using 3D point clouds of multi-source unmanned aerial vehicle data at multi-spatial scales［J］. Remote Sensing （Basel，Switzerland），2019，11（22）：2678

［11］MAIMAITIJIANG M，SAGAN V，SIDIKE P，et al. Vegetation Index Weighted Canopy Volume Model （CVMVI） for soybean biomass estimation from Unmanned Aerial System-based RGB imagery［J］. ISPRS Journal of Photogrammetry and Remote Sensing，2019，151：27-41

［12］CEN H，WAN L，ZHU J，et al. Dynamic monitoring of biomass of rice under different nitrogen treatments using a lightweight UAV with dual image-frame snapshot cameras［J］. Plant Methods，2019，15（1）：32

［13］MIAN D，TIANLE Y，ZHAOSHENG Y，et al. Wheat biomass estimation in different growth stages based on color and texture features of UAV images［J］. Smart Agriculture，2022，4（1）：71-83

［14］SARKER L R，NICHOL J E. Improved forest biomass estimates using ALOS AVNIR-2 texture indices［J］. Remote Sensing of Environment，2011，115（4）：968-977

［15］劉暢，楊貴軍，李振海，等. 融合無人機光譜信息與紋理信息的冬小麥生物量估測［J］. 中國農業科學，2018，51（16）：3060-3073

［16］陸國政，楊貴軍，趙曉慶，等. 基于多載荷無人機遙感的大豆地上鮮生物量反演［J］. 大豆科學，2017，36（1）：41-50

［17］GEIPEL J，LINK J，WIRWAHN J，et al. A programmable aerial multispectral camera system for in-season crop biomass and nitrogen content estimation［J］. Agriculture，2016，6（1）：4

［18］NIU Y，ZHANG L，ZHANG H，et al. Estimating above-ground biomass of maize using features derived from UAV-based RGB imagery［J］. Remote Sensing，2019，11（11）：1261

［19］HINTZ R W，ALBRECHT K A. Dry matter partitioning and forage nutritive value of soybean plant components［J］. Agronomy Journal，1994，86（1）：59-62

［20］HACKLEMAN J C. Future of the soybean as a forage crop［J］. Agronomy Journal，1924，16（3）：228-236

［21］井宇航，郭燕，張會芳，等. 無人機飛行高度對冬小麥植株氮積累量預測模型的影響［J］. 河南農業科學，2022，51（2）：147-158

［22］石雅嬌，陳鵬飛. 基于無人機高光譜影像的玉米地上生物量反演［J］. 中國農學通報，2019，35（17）：117-123

［23］王靖，彭漪，劉小娟，等. 基于無人機多光譜數據的水稻LAI反演與應用［J］. 中國農業大學學報，2021，26（12）：145-156

［24］DAUGHTRY C S T，WALTHALL C L，KIM M S，et al. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance［J］. Remote Sensing of Environment，2000，74（2）：229-239

［25］HARALICK R M，SHANMUGAM K，DINSTEIN I. Textural features for image classification［J］. IEEE Transactions on Systems，Man，and Cybernetics，1973，3（6）：610-621

［26］潘瑞熾. 植物生理學［M］. 北京：高等教育出版社，2008：256

［27］李均容. 基于高光譜技術的大豆育種材料產量及農學參數反演研究［D］. 成都：四川農業大學，2022：19-20

［28］董鉆著. 大豆產量生理［M］. 北京：中國農業出版社，2012：127-128

［29］龔榮新，魯向暉，張海娜，等. 基于高光譜植被指數的大豆地上部生物量估算模型研究［J］. 大豆科學，2023，42（3）：352-359

［30］劉楊，馮海寬，孫乾，等. 不同分辨率無人機數碼影像的馬鈴薯地上生物量估算研究［J］. 光譜學與光譜分析，2021，41（5）：1470-1476

［31］杭艷紅，蘇歡，于滋洋，等. 結合無人機光譜與紋理特征和覆蓋度的水稻葉面積指數估算［J］. 農業工程學報，2021，37（9）：64-71

［32］朱永基，陶新宇，陳小芳，等. 基于無人機多光譜影像植被指數與紋理特征的冬小麥地上部生物量估算［J］. 浙江農業學報，2023，35（12）：2966-2976

［33］王偉康，張嘉懿，汪慧，等. 基于固定翼無人機多光譜影像的水稻長勢關鍵指標無損監測［J］. 中國農業科學，2023，56（21）：4175-4191

［34］向友珍，安嘉琪，趙笑，等. 基于無人機多光譜遙感的大豆生長參數和產量估算［J］. 農業機械學報，2023，54（8）：230-239

［35］樊意廣，馮海寬，劉楊，等. 利用無人機多源傳感器估算馬鈴薯植株氮含量［J］. 光譜學與光譜分析，2022，42（10）：3217-3225

［36］劉欣誼，仲曉春，陳晨，等. 利用無人機圖像顏色與紋理特征數據在小麥生育前期對產量進行預測［J］. 麥類作物學報，2020，40（8）：1002-1007

（責任編輯 閔芝智）